Automatische Verarbeitung medizinischer Sprache Stefan Schulz Abteilung Medizinische Informatik Universitätsklinikum Freiburg Medizinische Inhalte Natürliche Sprache Strukturierte Daten Natürliche Sprache … unverzichtbar für Kommunikation zwischen Mitarbeitern des Gesundheitswesens Natürliche Sprache Wissenschaftliche Structured Kommunikation Data Klinische Dokumentation Wissenschaftliches Publikationswesen Vermittlung kanonischen Fachwissens an Fachleute, Studierende und Laien …unverzichtbar für Kodierung von Diagnosen und Prozeduren, DRGs Klinische und epidemiologische Studien Gesundheitsberichterstattung Krankheitsspezifische Register Qualitätssicherung, Controlling Dokumentenindexierung und Retrieval etc. Strukturierte Daten …erfordern medizinische Terminologiesysteme ICD OPS 301 SNOMED LOINC MeSH etc., etc. Strukturierte Daten Natürliche Sprache Strukturierte Daten Schwerpunkt: Erfassung von Daten Natürliche Sprache Strukturierte Daten + - Qualität Kosten + Abhängigkeit: Datenmenge – Datenqualität - Motivation Goldstandard Datenqualität Hohe Motivation Geringe Motivation Keinerlei Motivation Datenmenge Schwerpunkt: Auswertung von Daten Natürliche Sprache Strukturierte Daten + Qualität + Kosten - Natürliche Sprache Strukturierte Daten Automatische Verarbeitung medizinischer Sprache Natürliche Sprache Strukturierte Daten Automatische Verarbeitung medizinischer Sprache Stefan Schulz Abteilung Medizinische Informatik Universitätsklinikum Freiburg speech content Automatische Verarbeitung medizinischer Sprache Stefan Schulz Abteilung Medizinische Informatik Universitätsklinikum Freiburg speech content Automatische Verarbeitung medizinischer Sprache Stefan Schulz Abteilung Medizinische Informatik Universitätsklinikum Freiburg Auffälligkeiten der Medizinsprache Sprachmix: Deutsch / English / Lateinisch Unterschiedliche Sprachebenen: Ärzte- vs. Laiensprache Griechisch/Lateinische Wordstämme, Lateinische Flexionen: Thyreoglobulin, Ulzera, E.coli, Kolibakterien Hohe lexikalische Produktivität: Komposita: Bypassoperation, Kaliumüberdosierung Eponyme: Parkinsonsche Erkrankung, M. Alzheimer Akronyme, Wortneubildungen: SARS, AIDS, ARDS, 5-FU, HWI, psbAI, GGDEF, WDWN Paragrammatikalität / Jargon: Kein Anhalt für Malignität. (Unvollständiger Satz) Agrammatikalität (Diktier-, Schreibfehler) Extragrammatikalität: Gewebe wurde lymphoztyär infiltriert Zwei Hauptszenarien der medizinischen Textanalyse Information Retrieval: gezieltes Suchen nach Informationen in einer oder mehreren großen Informationssammlungen. Text Mining: Technologien, die es ermöglichen, relevante und „neue“ Information in unstrukturierten Texten automatisch zu erkennen und zu extrahieren IR vs. TM Information Retrieval IR vs. TM Information Retrieval Text Mining Information Retrieval Beispiel: Sprachübergreifendes Dokumentenretrieval: MorphoSaurus • Subwort-Lexikon: – Organisiert bedeutungstragende Wortstämme und Affixe in mehreren Sprachen • Subwort-Thesaurus: – Gruppiert synonyme Lexikoneinträge (auch sprachübergreifend) Morphosaurus • Zerlegungsalgorithmus: – Extraktion von Subwörtern und Zuweisung von Bedeutungsklassen MorphosaurusIdentifier (MID) MID MorphoSaurus: Sprachübergreifendes med. Dokumentenretrieval (Deutsch / Englisch) Hahn, Schulz et al., RIAO 2004 Text Mining num. Daten (Labor) Freitexte Administrative Daten 459300402 GGT ALAT ASAT 2004-09-02 12 2,5 3,4 2004-09-03 2004-09-03 13 13 1,9 0,6 1,8 0,7 • Stammdaten ID: 459300402 Lüdenscheid, Iris * 12.12.1961 79138 Waldkirch AOK Südl. Oberrhein • Falldaten B16.9 F32.0 K70.0 manuell kodierte Diagnosen+ Prozeduren • Stammdaten ID: 333400112 Schindler, Elisabeth * 13.01.1959 33733 Bielefeld AOK Westfalen-Lippe • Falldaten B16.9 F32.0 K70.0 HL7 KIS Arztbriefe, Befundberichte, OP-Berichte, Arzneiverordnungen 459300402 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion. Nach Rücksprache mit dem Hepatologen Prof. Leber haben wir der Patientin die nochmalige Kontrolle der HepatitisSerologie im Dezember 2004 nahegelegt. Von der von Frau Lüdenscheid gewünschten Nachsorge in der Schwarzwaldklinik haben wir ihr strikt abgeraten. mit freundlichen, kollegialen Grüßen Prof. Dr. Baum, Dr. Herz num. Daten (Labor) Freitexte 333400112 GGT ALAT ASAT 2004-09-02 12 2,5 3,4 2004-09-03 13 2004-09-03 13 1,9 0,6 1,8 0,7 Text-MiningSystem (klinikintern) (semi)automatische Pseudonymisierung Arztbriefe, Befundberichte, OP-Berichte, Arzneiverordnungen 333400112 sich wahrscheinlich im Stadium der Ausheilung der Hepatitis-B-Virusinfektion. Nach Rücksprache mit dem Hepatologen Prof. Hagedorn haben wir der Patientin die nochmalige Kontrolle der HepatitisSerologie im Dezember 2004 nahegelegt. Von der von Frau Schindler gewünschten Nachsorge in der Nordseeklinik haben wir ihr strikt abgeraten. mit freundlichen, kollegialen Grüßen Prof. Dr. Klaus, Dr. Fuchs Text-MiningSystem (klinikextern) Text Mining: Anwendungsszenario I shadow was pointed out on a routine chest X-ray film, but she had no further examination. Physical examination on admission revealed purpura of the upper and lower extremities, swelling of the gums and tonsils, but no symptoms showing the complication of myasthenia gravis. Hematological tests revealed leucocytosis: WBC count 68 700/µl (blasts 11.5%, myelocytes 0.5%, bands 2.0%, segments 16.0%, monocytes 65.5%, lymphocytes 4.0%, atypical lymphocytes 0.5%), Hb 7.1 g/dl (reticulocytes 12%) and a platelet count of 9.1 × 104/µl. Further laboratory examination revealed elevated serum lactic dehydrogenase (589 U/l), vitamin B12 (2010 pg/ml) and ferritin (650. 0 ng/ml). Human chorionic gonadotropin and [alpha]fetoprotein levels were normal. A bone marrow aspiration revealed hypercelllar bone marrow with a decreased number of erythroblasts and megakaryocytes and an increased number of monoblasts that were positive for staining by [alpha]-naphthyl butyrate esterase and negative for staining by naphthol ASD chloroacetate esterase. Chest X-ray upon admission revealed a mediastinal mass and an elevated left diaphragm . Computed tomography (CT) of the chest showed a left anterior mediastinal mass . Based on these findings, the patient was diagnosed with a mediastinal tumor accompanied by AMoL. First, in June 1991, the patient was treated with DCMP therapy: daunorubicin (DNR) (25 mg/m2, days 1, 2, 3, 4, 6 and 8), cytosine arabinoside (Ara-C) (100 mg/m2, days 1-9), 6MP-riboside (6-MP) (70 mg/m2, days 1-9) and prednisolone (PSL) (20 mg/m2, days 1-9), followed by five courses of consolidation chemotherapy [1, DCMP; 2, ID-Ara-C:adriacin (ADR), vincristine (VCR), Ara-C, PSL; 3, DCMP; 4, ID-Ara-C; 5, A-triple V: Ara-C, VP-16, VCR, vinblastine (VBL)]. After induction chemotherapy, a hematological examination and bone marrow findings had improved to normal, and complete remission was attained. Chest CT scan after chemotherapy in November 1991 revealed regression of the mediastinal tumor . An invasive thymic tumor was suspected and surgery was undertaken in January 1992. The tumor (50 × 45 × 45 mm), located mainly in the anterior mediastinum, was strongly adhered to the adjacent tissues. Resection of the tumor included the left upper lobe of the lung, the phrenic nerve and pericardium. The histological finding was that the tumor cells have large, vesicular nuclei and prominent nucleoli, but keratinazation was unclear . The results of immunohistochemical finding of anti-TdT was negative. From these findings, we diagnosed poorly or moderately differentiated squamous cell carcinoma of the thymus. The postoperative course was uneventful. The patient underwent radiation therapy of the mediastinum and left hilum at doses of 4000 cGy delivered over 4 weeks. She was discharged in March 1992. After the first AMoL remission, the patient suffered a relapse six times and was repeatedly admitted for chemotherapy. During these periods, chest X-ray and CT revealed no recurrence of the mediastinal tumor. During her tenth admission, the patient developed pneumonia during chemotherapy and died in October 1996. No autopsy was performed. Tumorregister - Template Datum Erstdiagnose Primärlokalisation Grading Staging Morphologie Datum Ersttherapie Chemotherapie Bestrahlung Text Mining: Anwendungsszenario II Milde und Schwere Verlaufsformen: EB simplex (EBS), EB dystrophica (EBD) Risikoabschätzung von Tumorentstehung durch Genotyp-Phänotyp-Korrelationen bei Epidermolysis bullosa dystrophica Epidermolysis bullosa: Gruppe von genetischen Hautkrankheiten mit Mutationen in Genen für Strukturproteine der dermo-epidermalen Basalmembranzone. Inzidenz: 1 / 100.000 Geburten. Minimale Traumata führen zu Blasenbildung an Haut und hautnahen Schleimhäuten, Abheilung der dadurch entstandenen Wunden führt oft zur Narbenbildung und ggf. zu Verwachsungen, die auch Kontrakturen bedingen können. Text Mining: Anwendungsszenario II EB dystrophica (EBD) mehr als 300 unterschiedliche Mutationen des Kollagen VII-Gens publiziert und/oder in den Mutations-Datenbanken, mehrere Hundert weitere, noch nicht bekannte Mutationen. Ziel des Text Minings: Verbesserung der Prognosestellung — Auffinden bislang unentdeckter Korrelationen zwischen Art und Lokalisation der Genmutation und des klinischen Langzeitverlaufs sowie der Erkennung maligner Entartungen Abgleichen der Daten in der Literatur, in Mutations-Datenbanken, in eigenen Laborbefunden etc. in internen und externen klinischen Dokumenten Architektur eines Biomedizinischen Textanalyse-Kernsystems Architektur eines Biomedizinischen Textanalyse-Kernsystems „A severe infection ended the pregnancy“ ended infection a severe Ending pregnancy the end + edPastTense E-patient E-agent Pregnancy Infection I-degree severe Morphologie Prozessor Syntax Prozessor Semantik Interpreter Lexikon Grammatik Regelbasis POS-annotierte Korpora, Treebanks, Proposition Banks #pregnancy P-patient #mother P-co-patient #baby IF ... #oregnancy & #inf. THEN ... #mortal danger * The baby survived Inferenz maschine Domänen ontologie Methoden, Werkzeuge und Ressourcen Morphologiewerkzeuge (Stemmer) POS (part-of-speech) Tagger Chunker (NP), (shallow) Parser Lexika, Endliche Automaten, Grammatiken, Ontologien Namenserkenner (NE recognition) Große Textkorpora (annotiert, nichtannotiert) Machine learning – Verfahren, e.g. SVM Evaluationsstandards Methoden, Werkzeuge und Ressourcen Morphologiewerkzeuge (Stemmer) POS (part-of-speech) Tagger Chunker (NP), (shallow) Parser Lexika, Endliche Automaten, Grammatiken, Ontologien Namenserkenner (NE recognition) Große Textkorpora (annotiert, nichtannotiert) Machine learning – Verfahren, e.g. SVM Evaluationsstandards Paradigmenwechsel in der Computerlinguistik Regelbasiert, KI Stochastisch, ML Herausforderung für medizinische Sprachverarbeitung Ambiguität Lexikalisch: Bruch (Hernie) vs. Bruch (Fraktur) Syntaktisch: z.B. Anbindung von PPs extraction [of the transplant [with a scalpel] ] [extraction] {of the transplant} [with a scalpel] Semantisch, z.B. Skopus von Quantoren, Negationen, Koordinationen, Gradaussagen each sample showed an increased Ph value Komplexität, Berechenbarkeit, z.B. Dependenzgrammatiken: NP-complete Prädikatenlogik höherer Ordnung, Modallogik: unentscheidbar Kombination mit Ontologien und medizinischen Terminologiesystem Kombination von symbolischen und stochastischen Ansätzen Ausblick: Menschliche vs. Maschinelle Sprachverarbeitung Goldstandard Datenqualität Hohe Motivation Geringe Motivation Keinerlei Motivation Datenmenge Ausblick: Menschliche vs. Maschinelle Sprachverarbeitung Goldstandard Datenqualität 2005 Hohe Motivation Geringe Motivation Keinerlei Motivation Datenmenge Ausblick: Menschliche vs. Maschinelle Sprachverarbeitung Goldstandard Datenqualität 20?? 200? 2005 Hohe Motivation Geringe Motivation Keinerlei Motivation Datenmenge Aktivitäten MI Freiburg EU 6th Framework : Network of Excellence “SemanticMining” (Semantic Interoperability and Data Mining in Biomedicine): 2004 – 2006, 25 Partner www.semanticmining.org Gründung: AMIA Working Group Group KR-SIG “Formal (Bio)medical Knowledge Representation”, 2003 Veranstalter: Workshop KR-MED 2004 in Whistler/Canada, Juni 2004 Initiative BioTem (Zentrum für biomedizinisches Text Mining) Veranstalter: Konferenz SMBM 2005 (Semantic Mining in Biomedicine), in Cambridge UK, April 2005 Wichtiger Partner: Udo Hahn, Computerlinguistik Universität Jena (bis 2004 in Freiburg) Medical Terminology: Poor retrieval performance Frequency of synonymous German Word forms in Google Searches Spelling Variants Synonyms Inflections Kolonkarzinom 2070 1780 Colonkarzinom Coloncarcinom Colon-Ca Kolon-Ca Dickdarmkrebs Dickdarmkarzinom Dickdarmcarcinom Kolonkarzinoms Kolonkarzinome Kolonkarzinomen 248 111 203 66 4000 288 13 471 275 265 135 73 169 46 3610 175 10 253 139 166 Number of Hits Number of exclusive hits (no other form matches) Neue Anwendungsszenarien The Semantic Electronic Health Record Named entity recognition challenged by the deluge of new proper names from the bio domain Use huge (Terabyte !) medical corpora (from all sources including anonymized EHR data) for the discovery of domain and linguistic knowledge Use content technologies to match genotype information (Bio-DBs) with phenotype information (EHR). (1.) In einem Partikel mit 4 mm Durchmesser wurde eine Magenschleimhaut vom Antrumtyp erfaßt. (2.) Das ödematöse Stroma wird massiv von Lymphozyten infiltriert. In einem Partikel mit 4 mm Durchmesser wurde eine Magenschleimhaut vom Antrumtyp erfaßt. Semantische Interpretation In einem Partikel mit 4 mm Durchmesser wurde eine Magenschleimhaut vom Antrumtyp erfaßt. In einem Partikel mit 4 mm Durchmesser wurde eine Magenschleimhaut vom Antrumtyp erfaßt. x PassivAux : Subj (x, y) Vrbpart(x, z) Con( z ), Con( y ) CONCEPTS : Patient (Con( z ), Con( y )) Konzept-Graph von Satz 1 In einem Partikel mit 4 mm Durchmesser wurde eine Magenschleimhaut vom Antrumtyp erfaßt. Semantische Interpretation: • Berechnung der konzeptuellen Relationierungen • “Normalisierung” des Passivs • Korrekte Anbindung der Präpositionalphrasen (in, mit, vom) Konzept-Graph von Satz 2 Das ödematöse Stroma wird massiv von Lymphozyten infiltriert. Ergebnis der satzorientierten Analyse: • Pro Satz ein isolierter Konzeptgraph • Ist dies eine adäquate Inhaltsrepräsentation des Texts? Medizinisches Domänenwissen Physical Object Anatomical Structure Stroma consists-of Mucosa GastricMucosa Gland part-of GastricGland Kombinierter Konzept-Graph von Satz 1 und 2 Formale Rekonstruktion des impliziten textuellen Bezugs: Konzeptgraph von Satz 1 (gelb) und Konzeptgraph von Satz 2 (grün) werden über die inferierte Rolle (rot) relationiert. Stand der Kunst Umfassende Dokumentenkollektionen: KIS, EPA, WWW, ... Computerlinguistische Engpässe unvollständige (manuell erstellte) Lexika, Grammatiken, Domänenmodelle 1. Ausweg: robuste Textanalyse mit unvollständigen Ressourcen 2. Ausweg: automatisches Lernen sprachlichen Wissens (Vervollständigung linguistischer Ressourcen) Zentrale sprachtechnologische Methode: Part-of-Speech (POS) Tagging Ausgeprägt multiple Oberschenkelhämatome beidseits . ADJD ADJA NN ADV ST Was aber bleibt (gleich) …? Analyse geschriebener Texte Fachsprache (IT, Medizin/Biologie) Architektur eines Textanalysesyste ended ms infection a severe pregnancy the end + edPastTense Morphologie Prozessor Lexikon # 150,000 # 1,000,000 Pregnancy Ending E-patient E-agent Pregnancy Infection I-degree severe Syntax Prozessor (Parser) Grammatik # 10,000 # 10,000 P-patient P-co-patient P-affected-by Female Foetus Infection IF ... Pregnancy & infect THEN ... mortal danger * The baby survived Semantik Interpreter Inferenz Maschine Semantische Regelbasis Domänen Ontologie # 150,000 # 1,000,000